CN105074774A - 用于对x射线图像中的结构进行计算机辅助探测的方法和x射线系统 - Google Patents
用于对x射线图像中的结构进行计算机辅助探测的方法和x射线系统 Download PDFInfo
- Publication number
- CN105074774A CN105074774A CN201480017074.4A CN201480017074A CN105074774A CN 105074774 A CN105074774 A CN 105074774A CN 201480017074 A CN201480017074 A CN 201480017074A CN 105074774 A CN105074774 A CN 105074774A
- Authority
- CN
- China
- Prior art keywords
- radioscopic image
- tissue
- radioscopic
- width
- spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/482—Diagnostic techniques involving multiple energy imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/50—Clinical applications
- A61B6/502—Clinical applications involving diagnosis of breast, i.e. mammography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Abstract
本发明涉及X射线成像技术以及图像后处理。具体而言,本发明涉及一种用于对X射线图像中的结构进行计算机辅助探测的方法以及X射线系统。计算机辅助探测算法视觉上确定X射线图像信息中的组织结构,并且随后将经确定的组织结构的形状与已知组织结构的库匹配,以表征经确定的组织结构的类型。当还采用谱信息(尤其是采集的X射线图像的能量信息)时,组织结构的确定并且因此组织结构的类型的表征可以被增强。相应地,提出了一种用于对结构和X射线图像进行计算机辅助探测的方法(70、80、90),包括以下步骤:获得(72)对象的谱X射线图像信息,其中,所述谱X射线图像信息构成至少一幅X射线图像,通过采用计算机辅助探测算法来探测(74)所述X射线图像中的感兴趣组织结构,其中,探测所述X射线图像中的感兴趣组织结构包括使所述计算机辅助探测算法适于针对组织结构形状来对所述X射线图像进行评估,并且将所述组织结构形状与多个预定的组织结构形状进行比较,并且其中,所述计算机辅助探测算法适于评估所述X射线图像的谱信息以探测所述感兴趣组织结构。
Description
技术领域
本发明涉及X射线成像技术以及图像后处理。具体而言,本发明涉及一种用于对X射线图像中的结构进行计算机辅助探测的方法和X射线系统、用于计算机辅助探测的计算机可读介质、程序单元、处理单元以及对方法的使用。
具体而言,本发明涉及通过评估X射线图像内的谱信息来探测X射线图像中的结构。
背景技术
对感兴趣组织结构的计算机辅助探测在放射学中,尤其是在乳房摄影中变得越来越重要。计算机辅助探测对应于通过将可见的特征形状与参考库进行比较来探测在采集到的X射线图像内的可疑区域的技术。总体而言,没有遵从图像中的绝对值(即,信号强度)来评估空间信息(即,特征形状)。具体而言,在乳房影像中,解剖噪声的发生限制探测病变的能力。根据病变类型,利用光子能量来减小来自解剖噪声和可疑病变的造影,并且其可见性可以在某个光子能量处被优化。例如,在较高能量处提高肿瘤可探测性,而优选在较低能量处可以探测微钙化。具体而言,肿瘤受到解剖噪声的严重影响,并且在较高能量处的解剖噪声的减小胜过肿瘤造影的减小,而微钙化较少受到解剖噪声影响,并且减少解剖噪声的量几乎不具有影响。
相应地,采用在某个光子能量处采集到的图像信息被称为谱成像信息或采用谱信息。通过公式(其中,E:能量,h:普朗克常数,c:光速),单个光子的能量E反比于其波长λ。
谱成像采用探测到的能量谱来提取关于对象的物质内容的信息。该技术也具有在没有造影剂的情况下进行筛查(即,未增强的成像)时提高探测的潜力,然而,这增加了在图像信息中存在的量子噪声的量。
B.Norell、E.Fredenberg、K.Leifland、M.Lundqvist、B.的“Lesioncharacterizationusingspectralmammography”(SPIEMedicalImaging2012:PhysicsofMedicalImaging)描述了使用谱图像信息用于表征和区分探测到的X射线图像中的结构。
发明内容
本发明的一个目标可以被认为是提供一种对X射线图像中的结构的改进的计算机辅助探测。该目标通过独立权利要求的主题得以实现。本发明的优选实施例被描述在从属权利要求中。
本发明采用谱图像信息用于探测和表征X射线图像中的结构。具体地,可以利用选择的能量或能量加权采用涉及特定能量或具有特定能量加权的X射线图像信息,选择能量或能量加权使得某些类型的组织(尤其是在X射线图像信息内的所述某些类型的组织的可见性)被优化或最小化。随后,采用计算机辅助探测算法,所述计算机辅助算法也考虑X射线图像信息的谱信息或能量信息。换言之,例如,某些类型的组织结构或病变可以具有采用第一定义能量的X射线图像中的最佳可见性(例如,高对比度或信噪比),同时在具有另外的能量的图像信息中,相同的结构具有最小的可见性(低对比度或信噪比)。
因此,计算机辅助探测(CAD)算法可以采用以下知识:即,某些类型的组织(例如,肿瘤)在一个能量处具有优选的可见性,而在另一能量处具有最小化的可见性。当评估X射线图像时,所述算法因此可以采用所述知识以确定在图像信息内的组织结构的类型。在涉及特定能量确定另外的X射线图像的情况下,CAD算法可以探测所述图像信息中的结构,并且随后确定在该特定能量处哪种类型的组织是最佳可见的。CAD算法随后可以合成具有不同的能量的另外的X射线图像,针对所述不同的能量,所述算法知晓某种(先前探测到的)类型的组织具有最小可见性。通过分析另外的X射线图像,可以确认对组织结构的表征是否正确的确定。
利用谱成像方法,可以提取被成像的物质的衰减的能量相关。具体而言,当使用对应于不同的X射线能量的至少两幅图像时,可以确定另外的X射线图像具有特定的能量标识。换言之,根据两幅不同的X射线能量图像,另外的X射线图像可以被合成或被计算对应于将在单能量光子的任何给定的能量处显现的X射线图像。特定特征的计算机辅助探测可以通过合成在某些能量处的图像来进行优化,所述某些能量处的图像对于各自的特征的探测是最佳的,并且然后在相应优化的图像信息上使用计算机辅助探测算法。
还可以从下文描述的对优选实施例的详细描述中导出本发明的方面、特征和优点,参考附图来解释所述对优选实施例的详细描述。利用相同的附图标记指示相同的元件。附图不是按比例绘制的,然而,可以描绘定性比例。
附图说明
图1a-图1c示出了本发明的三个示范性实施方式;
图2a、图2b示出了根据本发明的球形病变的模拟的低能量分箱测量结果和高能量分箱测量结果;
图3a-图3c示出了根据本发明的针对肿瘤和囊肿的示范性直方图;
图4a-图4c示出了乳房影像的示范性图示;
图5示出了根据本发明的示范性X射线系统;
图6a-图6c示出了根据本发明的用于对X射线图像中的结构进行计算机辅助探测的方法的示范性实施例。
附图标记列表
50X射线系统
52X射线探测器
54对象
56X辐射
58压迫桨
60微处理器
62显示器
64桨倾斜
66a、66b输入设备
70用于对结构的计算机辅助探测的方法
72获得谱图像信息
74探测感兴趣组织结构
80用于对结构的计算机辅助探测的方法
82获得至少两幅X射线图像
84确定至少一幅另外的X射线图像
86评估至少一幅另外的X射线图像
90用于对结构的计算机辅助探测的方法
92确定多幅另外的X射线图像
94评估多幅另外的X射线图像
96确定至少一幅另外的X射线图像
具体实施方式
普通计算机辅助探测和未增强的谱成像二者都遭受差的特定和/或差的灵敏度。因此,提出了用以在实际探测算法处理图像信息之前针对不同特征的计算机辅助探测优化X射线图像的谱方法的使用。通过比较在不同能量下的相对探测,组织可以被表征,并且从而特定可以被增加。换言之,提出了将评估空间信息和目标形状的常规计算机辅助探测与提取关于信号强度的绝对信息并且可以评估目标物质的谱成像进行组合。
图1a-图1c描绘了本发明的三个示范性实施方式。根据图1a的本发明的一个实施方式是采用计算机辅助探测算法以确定X射线图像信息中的图像结构作为输入,所述计算机辅助探测算法将探测到的图像结构与特征库进行比较。随后,谱处理算法采用针对不同的目标物质的谱库或查找表,所述目标物质看成输入谱X射线图像和可能的背景参考,在乳房摄影的领域中,例如,关于乳房粒度和厚度的信息,其是在结果以外的区域中测得的。
换言之,标准CAD系统应用于从谱X射线图像(具体而言是谱乳房影像)中的经加和的图像中提取可疑特征,作为能量解析图像的加和。经加和的图像可以与使用正规CAD系统的常规X射线图像或乳房影像完全相同。特定通常会是差的,其中针对每幅图像返回大量结果。CAD系统因此可以向谱处理程序供应发现的相应的感兴趣组织结构的感兴趣区域。后者例如可以使参考区域在已经被探测到的每个特征周围生长。谱物质分解可以应用于从参考区域提取背景信息,例如乳房粒度和厚度。物质分解随后应用于可疑结果本身,其中背景信息作为额外的输入。可以返回用以增加特定的置信测度,例如结果为良性或恶性的可能性。置信测度可以被适当地设定阈值,以提取最可疑的发现。
在图1b中示出了本发明的又一实施方式,其中,CAD和谱处理以相反的顺序被执行,使得谱处理优化用于CAD算法执行的图像。一个范例是将CAD系统应用具有最佳能量的合成图像上。另一范例是将CAD算法应用在物质分解的图像上。例如,如果物质分解或合成图像能量用来减少解剖结构噪声(例如重叠组织)的量,则CAD系统可以改善特定。对普通CAD系统的更改可以用来抵消增加的噪声。
本发明的根据图1c的又一实施方式是利用计算机辅助探测算法将物质分离完全结合并合并为单个系统,导致谱性质为CAD库的一部分。因此,利用作为输入的图像结构和谱X射线图像合并的谱处理与计算机辅助探测算法可以利用包括空间特征信息和谱特征信息的库来采用。
当参考计算机辅助探测算法适合于评估X射线图像的谱信息以在本专利申请的背景下探测感兴趣组织结构时,根据图1a至图1c中的一幅图的每个示例性实施方式都应当被包括。具体而言,计算机辅助探测算法可以在针对组织结构形状评估X射线图像之后执行谱处理和/或对X射线图像的评估,备选地,计算机辅助探测算法可以在针对组织结构形状评估X射线图像之前执行谱处理和/或对X射线图像的评估,或者计算机辅助探测算法可以与针对组织结构形状评估X射线图像的同时执行谱处理和/或对X射线图像的评估,例如通过采用谱CAD库或数据库。
优选地,X射线图像信息包括已经在不同的X射线能量处采集的至少两幅独立的图像。本发明的特别情况(尤其参考图1a中的情况)是使用病变表征工具的病变表征,所述病变表征工具被放射科医师手动地应用,以特别是在乳房摄影应用中检索关于可疑的圆形或椭圆形结果的更多信息。这样的结果可能是在患者已经离开之后确定的良性的囊肿或恶性的肿瘤,并且通常会导致患者的唤回,这会引起压力并且会是成本高的。
使用病变表征,放射科医师可以在X射线图像中标记感兴趣的病变或组织结构,并且使参考区域在感兴趣组织结构周围生长。参考区域可以为病变本身的物质分解提供额外的信息,并且针对病变可能为良性或恶性为放射科医师提供粒度、厚度和置信测度。
根据本专利申请的发明构思,可以采用自动的病变表征,其中CAD系统而非放射科医师探测囊肿/肿瘤。类似于病变表征工具,谱CAD系统也可以针对已经通过谱CAD算法确定的每个结果为放射科医师提供乳房粒度、厚度和置信测度。
圆形或椭圆形病变相对于容易在X射线图像信息中进行探测,但是通常难以被表征为良性囊肿或恶性肿瘤。在筛查时已经将病变或感兴趣组织结构表征为肿瘤或囊肿是谱X射线系统的特别优点,因为囊肿与肿瘤之间的衰减的微小差异能够通过比较以高能量测量和低能量测量编码的谱信号(例如使用不同X射线能量的两幅X射线图像)而被追踪。
同样地,将感兴趣区域/病变区域与参考区域进行比较。针对病变区域和参考区域例如在乳房摄影应用中的乳房组织的粒度的变化、以及病变形状、毛刺征和靠近乳房的边界的病变的桨倾斜或位置都导致潜在恶性肿瘤作为良性囊肿(假阴性)和囊肿作为肿瘤(假阳性)的错误识别。
对于优选的确定和分类并且因此减少囊肿或肿瘤的错误识别,还可以考虑在检查期间乳房影像中的压迫桨的倾斜。随后描述的方法也可以应用于周边区域,其中被检查的乳房组织的高度是探测器的横向空间坐标的快速变化函数。由此,压迫桨倾斜的不利影响可以被有效地消除。
同样地,关于病变表征工具,似然比用来核实病变或探测到的感兴趣组织结构的恶性的假定或证明其虚假。在病变中或周围的感兴趣区域被定义,并且感兴趣区域内的对应均值用于表征。因此,通常假设,被压缩的乳房高度在整个感兴趣的参考区域和感兴趣的病变区域内是恒定的。如果该假设错误,则针对敏感性和特定的可能选择进行加和的接收者工作特征(ROC)曲线根据判定阈值而迅速下降。相应地,提出使模型适合于感兴趣区域内的病变,使得在厚度上的线性梯度针对两个感兴趣区域(感兴趣的参考区域和病变区域)进行假设,并且在针对两个额外的拟合参数的可能性估计期间被拟合,一个拟合参数用于二维图像的每个方向。
线性梯度假设对于许多情况来说会是足够的,其中病变完全在乳房内部,其中被压缩的厚度在感兴趣区域内的变化较小。然而,在周边区域被检查的情况下,线性梯度会是不足够的,这将会导致本发明的要被概括的方法利用三个额外的参数来拟合二次曲面或甚至更高阶曲面。
图2a和2b示出了嵌入在具有平均高度50mm的50mm乳房组织的体积中的10mm直径的乳房病变的低能量分箱图像(图2a)和高能量分箱图像(图2b)。桨倾斜的影响在通过在强度方面的梯度的观察的两幅图像中是可见的。在该范例中,假设的梯度是针对沿两幅图像方向中的任一方向的每1mm级数的高度变化0.3mm。
因此,图2a、图2b示出了嵌入在50mm高度的乳房组织中的10mm直径的球形病变的模拟的测量结果。扫描参数示例地为32kVp,其中两个分箱光子计数探测器具有大约10keV和22keV的能量阈值。图2a示出了低能量分箱,图2b示出了高能量分箱。
像素分箱采用为1mmx1mm。图2a、图2b都示出了由于乳房支撑的表面相对于压迫桨的表面的倾斜引起的厚度梯度的影响,导致每mm级数的沿两幅图像方向的高度的线性变化0.3mm。这导致沿两个方向的左到右和底部到顶部的被压缩的组织的厚度差4.5mm,通过阴影的增加来示出。
为了对这种组织厚度差进行补偿,本发明提出确定针对具有感兴趣的病变区域中的坐标i、j的每个像素的射线可能性,其中yij为两个能量分箱中的任何一个中的测量值,tij表征针对病变形状的模型,并且h、g为整个区域中的平均压缩高度和平均粒度。
通常,压缩高度和平均粒度两者实际上在感兴趣的病变区域和感兴趣的参考区域内都不是恒定的。而是,两者都是空间坐标的函数。所述可能性通过公式1来确定。
Lij(h,g,tij(t1,t2,t3,α)|yij)
公式1
考虑公式1,对根据恒定高度的假设的线性偏差的建模导致公式2。
Lij(hij(h0,gx,gy),g,tij(t1,t2,t3Xα)|yij)
公式2
在具有线性梯度的最简单情况下,高度偏差可以根据公式3进行建模。
hij(h0,gx,gy)=h0+igx+jgy
公式3
在周边区域处的弧形乳房形状的情况下,公式3能够被改变为包括额外的项。
关于高度梯度的相同模型(公式3)必须用于感兴趣的参考区域,以确保乳房形状的连续变化的假设被考虑。
图4a示出了针对以下情况的肿瘤(左直方图)和囊肿(右直方图)的直方图,其中梯度存在于感兴趣对象中,并且被假设为在针对病变对应于囊肿和病变对应于肿瘤的假设的可能性估计中是已知的。图3b示出了梯度存在但是在可能性估计期间被忽略的相同情况。图3c示出了可能性允许梯度作为两个额外的估计参数的情况。比较图3a至图3c,由梯度的忽略引起的偏差(图3b)也通过拟合梯度的模型的延伸而基本上完全被去除。
图3a-图3c因此说明了关于存在于感兴趣对象中厚度梯度的正确和错误假设的影响。图3a示出了已知厚度梯度的情况(该假设实际上通常不是已知的),5000肿瘤(左直方图)和囊肿(右直方图)的直方图由于相当高的辐射剂量值而很容易被分开,并且所有情况都被准确地识别。对于存在例如由桨倾斜引起的梯度的情况(图3b),两个直方图的偏移是明显的,这在真实剂量水平下增加了被识别为囊肿的肿瘤的数量,因为肿瘤直方图移动更靠近判定阈值“0”。该偏移完全是由于未知的桨倾斜(例如沿两个方向的0.3mm/mm级数)的系统影响。图3c示出了根据本发明的方法的修正如何去除梯度的影响,其中沿两个方向的梯度在利用公式2和3采取可能性估计期间被拟合。具体而言,直方图的中心基本上回到正确位置,好像在两个高度上的梯度是精确已知的(图3c与图3a)。
类似于关于高度的梯度,可以考虑粒度变化,例如借助于缓慢地改变的位置函数,该函数描述了根据公式4的粒度g(x,y)的空间变化。
Lij(hij(h0,gx,gy),g(x,y),tij(t1,t2,t3,α)|yij)
公式4
在另一实施例中,参考区域中的厚度和/或粒度的变化可以用来对病变区域中的相应的量进行建模。进一步地,相对大的梯度能够被惩罚或被考虑为很不可能。进一步地,不同的更大梯度能够被接受在周边区域中,而不是中心的被压缩的区域。
公式3描述了基本上平坦的几何形状,其中仅来自平面压缩的偏差借助于来自压迫桨与乳房支撑的平行的微小偏差。然而,在特定的乳房摄影系统中,乳房支撑和压迫桨两者都可以不是平面的,而是通过设计成弧形的。因此,根据压缩高度,乳房高度将会是探测器位置的更复杂的函数,但是仍然可以考虑相应的乳房摄影系统的几何特性来准确地建模。
与特定乳房摄影系统的设计高度映射h(x,y)的偏差可以根据先前描述的方法被类似地探测和拟合。
将会受益于谱处理的计算机辅助探测的又一范例是微钙化的分类。通常,两种在化学上不同类型的钙化是已知的,类型1钙化(二水草酸钙)和类型2钙化(钙羟磷灰石)。通常,仅类型2微钙化伴随有恶性肿瘤。因此,利用还确定哪一种类型的分类存在于组织中的计算机辅助探测算法会非常有益于针对改善的诊断在肿瘤与囊肿进行区别。谱采集与适当的CAD算法提供足够的信息以在两种类型的钙化之间进行区别。
进一步地,当表征组织类型时,可以采用针对其优化并最小化特定组织结构形状的可见性的至少一幅X射线图像的已知能量相关加权。
为了实施本发明,尤其是参考图1b中的情况,采用用于合成一组图像的算法,其中每幅合成图像对应于优化针对一些特定特征或组织结构形状的探测的特定X射线能量。这样的合成图像可以对应于基本上单能量图像,或可以包括能量相关加权。单能量X射线图像可以仅包括通过探测具有特定能量的光子提供的图像信息,但是与准确能量值的微小偏差可以是可允许的。单能量X射线图像因此可以包括仅具有特定能量值的能量相关加权。
在特定能量值周围的某些带宽被允许的情况下,这将会导致对应于带通的能量相关加权。类似于模拟滤波器,能量相关加权可以因此包括低通结构、高通结构、带通结构或陷波结构。甚至结构的任意组合可以是可想到的。例如在组织类型在两个独立的分开的能量值周围具有优选的可见性的情况下,合成的X射线图像因此能够采用由结合的两个分开的单能量能量值或两个分开的带通结构组成的能量相关加权。
当探测感兴趣组织结构时,计算机辅助探测算法随后可以评估X射线图像的能量相关加权的谱信息(即能量信息)。在提供多幅合成的X射线图像的情况下,计算机辅助探测算法可以顺序地历经不同的合成图像,并且针对某些结构的可见或缺乏可见性在其谱信息的考虑下评估每幅图像。例如,具有第一能量加权的一幅X射线图像中的某个组织结构的“最佳的”可见性和随后的具有不同的能量加权或能量值的另外的X射线图像中的相同组织结构的“最小化的”可见性可以允许确定组织类型,并且因此可以允许对感兴趣组织结构的表征,具体而言不仅考虑在X射线图像中可见(或不可见)的结构的形状,而且进一步采用关于(合成的)X射线图像的能量值的信息。
相同或又一算法还可以针对一致性进行检查,并且可以比较来自不同图像的结果中的差异,以便分析感兴趣组织结构。
又一方面可以使用相同或又一算法,该算法自动从多幅合成图像中识别至少一副合成图像,该算法针对某些成像任务(例如关于感兴趣的特定组织结构)产生最佳的计算机辅助探测结果。
利用来自能量图像的物质衰减的两个(或更多个)采样,光电效应和康普顿散射的相对量可以被估计,并且相对于能量的完全衰减可以被重建。因此能够合成对应于例如在针对乳房摄影或针对结合为任意能量谱(即具有任意的能量相关加权)的任何光子能量的相关范围内的任意光子能量的单能量光子的图像。
通常,根据高能量X射线和低能量X射线将物质分离计算为两种基本物质,诸如铝(Al)和聚甲基丙烯酸甲酯(PMMA)或例如脂肪和腺组织。利用计算的在本领域中已知的物质分离和基本物质在相关的能量范围内的已知的X射线衰减,合成的X射线图像I合成可以通过使用公式5针对每个单能量E并且更一般针对每个任意的X射线谱I0(E)和能量相关加权w(E)进行计算。
公式5
其中,能量相关加权w(E)和衰减函数μA(E)、基本物质的物质分离(ta,tb)的μG(E)。
图4a-图4c示出了常规乳房影像(图4a——高能量乳房影像和低能量乳房影像中的一些)以及在不同能量E1和E2处的两幅实际单能量计算的乳房影像(图4b、图4c)。
如从图4a-图4c中可以得到的,通过生成对应于能量的一组图像,该组图像对不同特征的可探测性进行优化或最小化、计算机辅助探测算法的输出,因此这些图像的CAD分析可以被增强或被优化。因为最佳的能量取决于解剖结构噪声的功率谱并且这样的谱可以通过谱技术来获得,这可以在谱CAD算法中被采用。
进一步地,对于特定结果,即感兴趣的特定组织结构的识别,针对不同能量的CAD输出通常可以确定优化感兴趣的特征或组织结构的(可见性)的至少一幅X射线图像和(可能)使感兴趣的特征或组织结构(可见性)最小化的至少一幅X射线图像,具体而言在X射线图像的相应的能量的考虑下这两幅X射线图像可以被比较,并且可以提供关于特征的额外的信息。换言之,与CAD库中的特征相匹配的感兴趣的图像特征或组织结构(在X射线图像内的视觉上探测到的特征被假设为对应于库中的某些特征)因此可以被预测为在一些能量下被增强(具有最佳的可见性),而在又一能量下被最小化(其可见性)。该信息然后可以针对探测的特征与对应的库特征的匹配是否准确的一致性的检查而被采用,由此增加特异性。
在又一实施例中,单能量X射线图像可以针对相关能量的全部范围进行计算,并且计算机辅助探测算法的最佳结果被自动选择,例如通过使当前CAD任务的优度值最大化。换言之,多幅合成的X射线图像被计算,计算机辅助探测算法随后关于每个合成的X射线图像和采用确定性指示符的结果(即感兴趣组织结构的某些特征或表征的确定)而被采用,其中CAD结果被呈现,该结果被识别为包括最准确的结果。
优度值可以被视为要在选定的能量范围内被优化的目标函数,所述优度值在考虑下取决于CAD任务而被选择。例如,在分割任务中,优度值可以被选择为沿着CAD算法的而产生的分割轮廓的平均梯度。因此,对于沿着其轮廓具有最强平均梯度的分割来说,优度值是最大的,在该范例中,所述优度值定义了研究中的结构的最佳可见性。
以此方式,针对感兴趣的特定组织结构的最佳能量被自动选择,并且随后对应的实际单能量X射线图像可以与计算机辅助探测叠加层一起被显示。因此,对应于被认为最准确的探测的能量被自动选择。
本发明因此依赖于对应于不同X射线能量的至少两幅X射线图像的可用性。这样的图像可以随后使用不同的X射线能量来采集,或优选地,可以通过谱光子计数系统来提供,所述谱光子计数系统能够递送来自单次曝光的谱信息,因此而不增加对患者的辐射剂量或影响工作流程。
现在参考图5,描绘了采用根据本发明的方法的乳房摄影系统的示范性实施例。
乳房摄影系统50采用探测器52以及压迫桨58,感兴趣对象54位于探测器52与压迫桨58之间。X辐射56可以被引入用于采集感兴趣对象54的内部结构的X射线信息。探测器52和压迫桨58的相对取向可以包括与完全平行的取向轻微的偏离,或换言之倾斜64,导致对象54的高度的变化。X射线信息(例如在数字乳房摄影系统的情况下)可以被提供给微处理器60,所述微处理器60也可以被布置为运行计算机程序,所述计算机程序用于控制X射线系统50以及运行根据本发明的用于对X射线图像中的结构进行计算机辅助探测的方法70。计算机可读介质可以被提供,适于执行根据本发明的方法的计算机程序被存储在所述计算机可读介质上,并且程序单元可以被提供给处理器60,所述处理器60当被运行时适于控制X射线系统60,并且尤其适于执行根据本发明的方法。
可以使用显示器62将谱计算机辅助探测算法的结果呈现给操作者或放射科医生。根据本发明的方法的操作以及X射线系统50可以由输入设备66a、66b控制。
图6a示出了用于对X射线图像中的结构进行计算机辅助探测的方法70,所述方法包括以下步骤:获得72对象的谱图像信息,并且通过采用计算机辅助探测算法来探测74X射线图像中的感兴趣组织结构,所述方法可以尤其适于评估X射线图像的谱信息。
根据图6b,方法70可以被实施为方法80,所述方法80还包括:获得82对应于至少两个不同的X射线能量的至少两幅X射线图像,根据至少两幅X射线图像中来确定84至少一幅另外的X射线图像,其中,所述至少一幅另外的X射线图像是具有定义的能量相关加权的X射线图像,尤其不同于所述至少两幅X射线图像中的X射线能量,并且评估86所述至少一幅另外的X射线图像以探测感兴趣组织结构的组织结构形状。确定84所述至少一幅另外的X射线图像尤其可以通过计算所述至少一幅另外的X射线图像(例如通过采用公式5)来执行。
根据图6c,根据本发明的方法70可以被实施为方法90,所述方法90还包括确定92多幅另外的X射线图像,每幅另外的X射线图像具有定义的独立的能量相关加权,评估94所述多幅另外的X射线图像用于探测组织结构形状,并且通过对特定组织结构形状的可见性进行优化或最小化来根据所述多幅另外的X射线图像来确定96至少一幅X射线图像。
具有经优化或经最小化的某个组织结构形状的可见性的经如此确定的X射线图像随后可以被呈现给X射线系统的操作者。
Claims (17)
1.一种用于对X射线图像中的结构进行计算机辅助探测的方法(70、80、90),包括以下步骤:
获得(72)对象的谱X射线图像信息;
其中,所述谱X射线图像信息构成至少一幅X射线图像;并且
通过采用计算机辅助探测算法来探测(74)所述X射线图像中的感兴趣组织结构;
其中,探测所述X射线图像中的感兴趣组织结构包括使所述计算机辅助探测算法适于针对组织结构形状来对所述X射线图像进行评估,并且将所述组织结构形状与多个预定的组织结构形状进行比较;并且
其中,所述计算机辅助探测算法适于评估所述X射线图像的谱信息以探测所述感兴趣组织结构。
2.根据权利要求1所述的方法,还包括:
获得(82)对应于至少两个不同的X射线能量的至少两幅X射线图像;
根据所述至少两幅X射线图像来确定(84)至少一幅另外的X射线图像;
其中,所述至少一幅另外的X射线图像是具有定义的能量相关加权的X射线图像;并且
评估(86)所述至少一幅另外的X射线图像以探测所述组织结构形状。
3.根据权利要求1或2所述的方法,其中,所述谱X射线图像信息能够被分成具有独立的X射线能量的至少两幅X射线图像。
4.根据权利要求2或3所述的方法,其中,根据所述至少两幅X射线图像来确定至少一幅另外的X射线图像采用以下公式:
5.根据权利要求2至4中的任一项所述的方法,还包括:
确定(92)多幅另外的X射线图像,每幅另外的X射线图像具有独立的定义的能量相关加权;并且
评估(94)所述多幅另外的X射线图像以探测所述组织结构形状;并且
通过对某个组织结构形状的可见性进行优化或最小化来根据所述多幅另外的X射线图像确定(96)至少一幅X射线图像。
6.根据权利要求5所述的方法,其中,通过对某个组织结构形状的可见性进行优化或最小化来根据所述多幅另外的X射线图像确定至少一幅X射线图像包括确定所述至少一幅X射线图像的相关联的能量相关加权。
7.根据权利要求6所述的方法,其中,所确定的相关联的能量相关加权被用于探测所述感兴趣组织结构,尤其是通过采用某个感兴趣组织结构的能量相关可见性。
8.根据权利要求2-7中的任一项所述的方法,其中,所述能量相关加权是基本上单能量加权、带通加权、低通加权、高通加权和陷波加权中的一个。
9.根据前述权利要求中的任一项所述的方法,其中,通过采用计算机辅助探测算法来获得对象的谱X射线图像信息并且探测所述X射线图像中的感兴趣组织结构包括以下中的一个:首先执行计算机辅助探测算法并且其次执行对X射线图像的谱评估;首先执行谱评估并且其次执行对X射线图像的计算机辅助探测算法;以及,对X射线图像执行组合的谱计算机辅助探测算法。
10.根据前述权利要求中的任一项所述的在乳房摄影系统(50)中使用的方法,获得对象的谱X射线图像信息还包括:
在探测所述X射线图像中的感兴趣组织结构之前对组织高度梯度或组织物质梯度中的至少一个进行补偿。
11.根据权利要求10所述的方法,其中,所述补偿采用
Lij(hij(h0,gx,gy),g(x,y),tij(t1,t2,t3,α)|yij)。
12.一种X射线系统(50),尤其是乳房摄影系统,包括处理单元(60),所述处理单元(60)适合于执行根据前述权利要求中的任一项所述的方法(70、80、90)。
13.根据权利要求12所述的X射线系统,适合作为谱光子计数系统。
14.一种计算机可读介质,包括存储的计算机程序,所述计算机程序适合于执行根据权利要求1至11中的任一项所述的方法(70、80、90)。
15.一种程序单元,当被运行时,所述程序单元适合于控制根据权利要求12或13中的任一项所述的系统来执行根据权利要求1至11中的任一项所述的方法(70、80、90)。
16.一种处理单元(60),其执行计算机程序,所述计算机程序用于控制根据权利要求12或13中的任一项所述的系统(50)来执行根据权利要求1至11中的任一项所述的方法(70、80、90)。
17.对用于操作根据权利要求12和13中的任一项所述的系统(50)的根据权利要求1至11中的任一项所述的方法(70、80、90)的使用。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361803906P | 2013-03-21 | 2013-03-21 | |
US61/803,906 | 2013-03-21 | ||
PCT/IB2014/059122 WO2014147495A2 (en) | 2013-03-21 | 2014-02-20 | A method and x-ray system for computer aided detection of structures in x-ray images |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105074774A true CN105074774A (zh) | 2015-11-18 |
CN105074774B CN105074774B (zh) | 2019-11-15 |
Family
ID=50280443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480017074.4A Expired - Fee Related CN105074774B (zh) | 2013-03-21 | 2014-02-20 | 用于对x射线图像中的结构进行计算机辅助探测的方法和x射线系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10296808B2 (zh) |
EP (1) | EP2976746B1 (zh) |
JP (1) | JP6475691B2 (zh) |
CN (1) | CN105074774B (zh) |
WO (1) | WO2014147495A2 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279374A (zh) * | 2021-12-24 | 2022-04-05 | 上海化学工业区公共管廊有限公司 | 一种他比式的管道壁厚数字射线在役测量方法 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6475691B2 (ja) * | 2013-03-21 | 2019-02-27 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | X線画像における構造のコンピュータ援用検出のための方法およびx線システム |
CN107405126B (zh) * | 2015-03-10 | 2022-01-25 | 皇家飞利浦有限公司 | 检索成对的医学图像的对应结构 |
JP6667462B2 (ja) * | 2017-02-21 | 2020-03-18 | 富士フイルム株式会社 | エネルギーサブトラクション処理装置、方法およびプログラム |
JP2020178989A (ja) | 2019-04-26 | 2020-11-05 | キヤノンメディカルシステムズ株式会社 | 超音波診断装置及び解析装置 |
JP7185596B2 (ja) * | 2019-06-11 | 2022-12-07 | キヤノン株式会社 | 画像処理装置および画像処理方法、プログラム |
US11158046B2 (en) | 2020-01-24 | 2021-10-26 | Overjet, Inc. | Estimating measurements of craniofacial structures in dental radiographs |
US11963846B2 (en) | 2020-01-24 | 2024-04-23 | Overjet, Inc. | Systems and methods for integrity analysis of clinical data |
CN113077463B (zh) * | 2021-04-29 | 2023-06-06 | 西安建筑科技大学 | Chirplet能量引导狮群扰动优化的古代铜镜X光融合探伤检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040101104A1 (en) * | 2002-11-27 | 2004-05-27 | Avinash Gopal B. | Method and apparatus for soft-tissue volume visualization |
CN1504931A (zh) * | 2002-11-26 | 2004-06-16 | GEҽҩϵͳ����Ƽ���˾ | 图像组的计算机辅助诊断 |
US20060013482A1 (en) * | 2004-06-23 | 2006-01-19 | Vanderbilt University | System and methods of organ segmentation and applications of same |
US20060109949A1 (en) * | 2004-11-24 | 2006-05-25 | Tkaczyk J E | System and method for acquisition and reconstruction of contrast-enhanced, artifact-reduced ct images |
US20100128948A1 (en) * | 2008-11-26 | 2010-05-27 | General Electric Company | Forward projection for the generation of computed tomography images at arbitrary spectra |
CN102483965A (zh) * | 2009-05-26 | 2012-05-30 | 拉皮斯坎系统股份有限公司 | 识别特定目标项目的x 射线层析检查系统 |
CN102573634A (zh) * | 2010-10-13 | 2012-07-11 | 株式会社东芝 | 医用图像处理装置、x射线计算机断层摄影装置以及医用图像处理方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3688879B2 (ja) * | 1998-01-30 | 2005-08-31 | 株式会社東芝 | 画像認識装置、画像認識方法及びその記録媒体 |
US6226352B1 (en) * | 1998-09-08 | 2001-05-01 | Veritas Pharmaceuticals, Inc. | System and method for radiographic imaging of tissue |
GB9904692D0 (en) * | 1999-03-01 | 1999-04-21 | Isis Innovation | X-ray image processing |
US6980299B1 (en) * | 2001-10-16 | 2005-12-27 | General Hospital Corporation | Systems and methods for imaging a sample |
US7781226B2 (en) * | 2004-02-27 | 2010-08-24 | The Board Of Regents Of The University Of Texas System | Particle on membrane assay system |
JP2006101926A (ja) | 2004-09-30 | 2006-04-20 | M & C:Kk | 放射線検出装置、放射線画像診断装置、及び放射線画像の生成方法 |
JP5269298B2 (ja) | 2006-06-20 | 2013-08-21 | 株式会社東芝 | X線診断装置 |
US7773794B2 (en) * | 2006-12-19 | 2010-08-10 | Fujifilm Corporation | Method and apparatus for candidate detection using Hessian peak characteristics |
US8238662B2 (en) * | 2007-07-17 | 2012-08-07 | Smart Technologies Ulc | Method for manipulating regions of a digital image |
US8488863B2 (en) * | 2008-11-06 | 2013-07-16 | Los Alamos National Security, Llc | Combinational pixel-by-pixel and object-level classifying, segmenting, and agglomerating in performing quantitative image analysis that distinguishes between healthy non-cancerous and cancerous cell nuclei and delineates nuclear, cytoplasm, and stromal material objects from stained biological tissue materials |
US8378310B2 (en) * | 2009-02-11 | 2013-02-19 | Prismatic Sensors Ab | Image quality in photon counting-mode detector systems |
DE102010020770A1 (de) * | 2010-05-17 | 2011-11-17 | Siemens Aktiengesellschaft | Verfahren zur Reduzierung von Bildartefakten, insbesondere von Metallartefakten, in CT-Bilddaten |
CN110353709A (zh) * | 2011-03-08 | 2019-10-22 | 霍洛吉克公司 | 双能和/或造影增强乳房成像的系统和方法 |
US9269141B2 (en) * | 2011-09-07 | 2016-02-23 | Koninklijke Philips N.V. | Interactive live segmentation with automatic selection of optimal tomography slice |
JP6475691B2 (ja) * | 2013-03-21 | 2019-02-27 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | X線画像における構造のコンピュータ援用検出のための方法およびx線システム |
-
2014
- 2014-02-20 JP JP2016503733A patent/JP6475691B2/ja not_active Expired - Fee Related
- 2014-02-20 CN CN201480017074.4A patent/CN105074774B/zh not_active Expired - Fee Related
- 2014-02-20 US US14/772,794 patent/US10296808B2/en not_active Expired - Fee Related
- 2014-02-20 WO PCT/IB2014/059122 patent/WO2014147495A2/en active Application Filing
- 2014-02-20 EP EP14710390.7A patent/EP2976746B1/en not_active Not-in-force
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1504931A (zh) * | 2002-11-26 | 2004-06-16 | GEҽҩϵͳ����Ƽ���˾ | 图像组的计算机辅助诊断 |
US20040101104A1 (en) * | 2002-11-27 | 2004-05-27 | Avinash Gopal B. | Method and apparatus for soft-tissue volume visualization |
US20060013482A1 (en) * | 2004-06-23 | 2006-01-19 | Vanderbilt University | System and methods of organ segmentation and applications of same |
US20060109949A1 (en) * | 2004-11-24 | 2006-05-25 | Tkaczyk J E | System and method for acquisition and reconstruction of contrast-enhanced, artifact-reduced ct images |
US20100128948A1 (en) * | 2008-11-26 | 2010-05-27 | General Electric Company | Forward projection for the generation of computed tomography images at arbitrary spectra |
CN102483965A (zh) * | 2009-05-26 | 2012-05-30 | 拉皮斯坎系统股份有限公司 | 识别特定目标项目的x 射线层析检查系统 |
CN102573634A (zh) * | 2010-10-13 | 2012-07-11 | 株式会社东芝 | 医用图像处理装置、x射线计算机断层摄影装置以及医用图像处理方法 |
Non-Patent Citations (2)
Title |
---|
ALBERTO SANTAMARÍA-PANG等: "Automated Liver Lesion Characterization using fast kVp switching Dual Energy Computed Tomography Imaging", 《PROCEEDINGS OF SPIE》 * |
何微: "X线图像乳腺肿块辅助诊断方法研究", 《中国优秀硕士论文全文数据库》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279374A (zh) * | 2021-12-24 | 2022-04-05 | 上海化学工业区公共管廊有限公司 | 一种他比式的管道壁厚数字射线在役测量方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2014147495A2 (en) | 2014-09-25 |
CN105074774B (zh) | 2019-11-15 |
JP2016512776A (ja) | 2016-05-09 |
JP6475691B2 (ja) | 2019-02-27 |
EP2976746B1 (en) | 2019-01-09 |
EP2976746A2 (en) | 2016-01-27 |
US10296808B2 (en) | 2019-05-21 |
WO2014147495A3 (en) | 2015-04-09 |
US20160019432A1 (en) | 2016-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105074774A (zh) | 用于对x射线图像中的结构进行计算机辅助探测的方法和x射线系统 | |
US9865067B2 (en) | Method of reconstruction of an object from projection views | |
US7646902B2 (en) | Computerized detection of breast cancer on digital tomosynthesis mammograms | |
US8238637B2 (en) | Computer-aided diagnosis of malignancies of suspect regions and false positives in images | |
US8340388B2 (en) | Systems, computer-readable media, methods, and medical imaging apparatus for the automated detection of suspicious regions of interest in noise normalized X-ray medical imagery | |
DK2646980T3 (en) | AN IMAGING TECHNIQUE AND IMAGING SYSTEM | |
Phillips et al. | Clinical applications of textural analysis in non-small cell lung cancer | |
JP2002538704A (ja) | X線画像処理方法及び装置 | |
Opfer et al. | Performance analysis for computer-aided lung nodule detection on LIDC data | |
Pena et al. | Can CT and MR shape and textural features differentiate benign versus malignant pleural lesions? | |
Chen et al. | Breast density analysis with automated whole-breast ultrasound: comparison with 3-D magnetic resonance imaging | |
Kallenberg et al. | Compression paddle tilt correction in full-field digital mammograms | |
Krishnamoorthy et al. | Evaluating attenuation correction strategies in a dedicated, single-gantry breast PET-tomosynthesis scanner | |
Adelsmayr et al. | Three dimensional computed tomography texture analysis of pulmonary lesions: Does radiomics allow differentiation between carcinoma, neuroendocrine tumor and organizing pneumonia? | |
Holland et al. | Optimization of volumetric breast density estimation in digital mammograms | |
Norell et al. | Lesion characterization using spectral mammography | |
Kim et al. | Automated estimation of breast density on mammogram using combined information of histogram statistics and boundary gradients | |
Tan et al. | Detection of breast cancer in automated 3D breast ultrasound | |
US20180132810A1 (en) | System for determining tissue density values using polychromatic x-ray absorptiometry | |
Wiemker et al. | Comparative performance analysis for computer-aided lung nodule detection and segmentation on ultra-low-dose vs. standard dose CT | |
Landsmann et al. | Detection of microcalcifications in photon-counting dedicated breast-CT using a deep convolutional neural network: Proof of principle | |
Jo et al. | Detection of breast cancer based on texture analysis from digital mammograms | |
Singh et al. | Computer-aided detection of breast masses in tomosynthesis reconstructed volumes using information-theoretic similarity measures | |
Schwaab et al. | Image quality in automated breast ultrasound images: a preliminary study for the development of automated image quality assessment | |
Leong et al. | Dual-energy three compartment breast imaging (3CB) for novel compositional biomarkers to improve detection of malignant lesions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191115 |
|
CF01 | Termination of patent right due to non-payment of annual fee |